Głosowy PIN - uwierzytelnianie użytkownika z wykorzystaniem algorytmu weryfikacji mówcy

Opisano zagadnienia związane z realizacją systemu weryfikacji użytkownika na podstawie analizy jego wypowiedzi. Zaproponowano system, który realizowałby funkcje analogiczne do wprowadzania kodu PIN, ale przez wypowiadanie cyfr. System uczyłby się głosów użytkowników, a przy próbach uwierzytelnienia porównywał wypowiedź mówcy z wyszkolonym jego modelem. Jako metodę weryfikacji mówcy zaproponowano algorytm oparty na ukrytych modelach Markova (HMM), parametryzując sygnał mowy z wykorzystaniem parametrów melcepstrum. Do testów przygotowano bazę z nagraniami cyfr pochodzących od 20 mówców. Przeprowadzono eksperymenty z doborem parametrów modeli, z doborem długości sekwencji uczącej, próbując weryfikować mówcę właściwego i mówców niewłaściwych. Sprawdzano też przydatność poszczególnych cyfr do weryfikacji, a także zmienność poprawności weryfikacji w czasie. Po dobraniu optymalnych parametrów modeli i procesu uczenia system dla testowanych mówców działał bezbłędnie.

---

The paper discusses issues related to designing a user verificatbn system based on analysis of usens speech. A system was proposed which is going to be a "spoken" equivalent of "keyboard" PIN code authorization system, i.e. the sequence of digits is pronounced by the user. The system is going to be trained using users1 voices, whiist during authorization process the questioned utterance would be compared with the previously trained model. An algorithm based on Hidden Markov Models (HMM) was proposed as speaker verification method; the speech signal was parameterized using melcepstrum coefficients. A corpus with multiple recordings of digits pronounced by 20 nathe Polish speakers was prepared for testing purposes. Several experiments were run to check model parameters, optimal training sequence length, by trying to verify both the correct speaker and the intruders. Performance of verification for diffierent digits was analyzed, so were changes in verifkaiion correctness in time. Hawing set optimal model and training process parameters, the system for the tested users was working correctly.